AI 知识图谱生成器详解：从非结构化文本到可视化图谱
你有一堆文档（论文、报告、笔记、文章），想快速搞清其中的"谁和谁有关系、什么导致了什么、谁属于哪一类"——手动阅读提炼太慢，交给 LLM 又只给你一段总结文字。Robert McDermott 开源的 ai-knowledge-graph 恰好解决这个痛点：它用 LLM 从非结构化文本中自动提取"主-谓-宾"三元组（SPO triplets），然后渲染成一个交互式知识图谱——节点是实体，连线是关系，一目了然。2.5k+ Star，Apache 2.0 许可，支持任意 OpenAI 兼容 API（Ollama / LM Studio / vLLM / LiteLLM / OpenAI 官方）。本文讲清它是什么、怎么工作、怎么上手。
GitHub 仓库：robert-mcdermott/ai-knowledge-graph（2.5k Star）；在线 Demo：工业革命知识图谱；原理博客：From Unstructured Text to Interactive Knowledge Graphs。
1、它是什么
ai-knowledge-graph 是一个 Python 工具，核心能力是：给一段非结构化文本（txt 文件），用 LLM 自动提取实体和关系，生成一个交互式 HTML 知识图谱。你不需要手工标注、不需要写 SPARQL 查询、不需要装 Neo4j——给它一个文本文件，它吐出一个可拖拽可缩放的网页图谱。
// 核心定位
输入：一段非结构化文本（论文/报告/笔记/文章）
处理：LLM 提取 "主语-谓语-宾语"（SPO）三元组
输出：交互式 HTML 知识图谱（节点=实体，连线=关系）
// 基本面
// 作者：Robert McDermott
// 语言：Python 3.11+
// 星标：2,551 Star
// 许可：Apache 2.0
// 依赖：NetworkX（图谱）+ PyVis（可视化）+ LLM（提取）
// 创建：2025-03，最后更新：2025-122、工作原理：四阶段流水线
这个工具的处理流程非常清晰，分四个阶段，把一段原始文本变成一张结构化图谱：
// 阶段一：文本切块（Chunking）
// 把长文档切成小块（默认每块 200 词，重叠 20 词）
// → 因为 LLM 上下文有限，小块处理更精确
// → 重叠确保跨块的实体不丢失
// 阶段二：三元组提取（Triple Extraction）
// 对每块调用 LLM，让它提取 SPO 三元组
// → "瓦特 -> 发明了 -> 蒸汽机"
// → "蒸汽机 -> 推动了 -> 工业革命"
// → "工业革命 -> 发生在 -> 18 世纪"
// → LLM 负责理解语义，输出结构化的 (主语, 谓语, 宾语)
// 阶段三：实体标准化（Entity Standardization）
// 跨块合并同一个实体的不同叫法
// → "詹姆斯瓦特" = "瓦特" = "James Watt" → 统一为一个节点
// → 可选：用 LLM 做实体消歧（判断两个名字是否指同一实体）
// 阶段四：关系推理（Relationship Inference）
// 发现已提取实体之间的额外关系
// → 如果 A 发明了 B、B 推动了 C
// → 推理出 A -> 间接影响了 -> C（传递性推理）
// → 可选：用 LLM 做更复杂的关系发现
// 最终输出：NetworkX 图谱 → PyVis 可视化 → 交互式 HTML这四步的设计思路很好：切块解决"LLM 上下文不够"、提取解决"从文字到结构"、标准化解决"同一个实体不同名字"、推理解决"挖掘隐含关系"。每一步都可配置（开关 + 参数），按需取舍。
3、核心特性
// 六大核心特性
自动文本切块
大文档自动拆分为可处理的块，带重叠窗口，不丢上下文
LLM 知识提取
用 AI 识别实体和关系，输出 SPO 三元组
→ 比正则/规则提取强大得多（LLM 理解语义）
实体标准化
确保跨块的实体命名一致
→ "蒸汽机"和"蒸汽发动机"合并为一个节点
→ 可选 LLM 辅助消歧
关系推理
发现已提取实体之间的额外关系
→ 传递性推理 + LLM 推理（可选）
→ 让图谱更"丰满"，不只是字面提取
交互式可视化
PyVis 渲染的 HTML 图谱：可拖拽节点、可缩放、可点击查看
→ 输出一个 HTML 文件，用浏览器打开就能看
兼容任意 OpenAI 兼容 API
Ollama（本地开源模型）/ LM Studio / vLLM / LiteLLM / OpenAI 官方
→ 不绑定某一个 LLM，本地/云端均可4、安装与使用
// 方式一：pip 安装
git clone https://github.com/robert-mcdermott/ai-knowledge-graph.git
cd ai-knowledge-graph
pip install -r requirements.txt // 或 uv sync
// 方式二：作为模块安装
pip install --upgrade -e .
// 配置：编辑 config.toml
[llm]
model = "gemma3" // 用什么模型
api_key = "sk-1234"
base_url = "http://localhost:11434/v1/chat/completions" // 本地 Ollama
max_tokens = 8192
temperature = 0.2
[chunking]
chunk_size = 200 // 每块词数
overlap = 20 // 重叠词数
[standardization]
enabled = true // 开启实体标准化
use_llm_for_entities = true // 用 LLM 辅助消歧
[inference]
enabled = true // 开启关系推理
use_llm_for_inference = true
apply_transitive = true // 传递性推理
// 运行：一行命令生成图谱
python generate-graph.py --input your_text.txt --output graph.html
// 或
generate-graph --input your_text.txt --output graph.html
// 输出：一个 graph.html 文件，浏览器打开即可交互5、LLM 兼容性：本地优先，不绑供应商
// 支持的 LLM 后端（只要是 OpenAI 兼容 API 就行）
Ollama（推荐本地用）
model = "gemma3" / "llama3" / "qwen2.5"
base_url = "http://localhost:11434/v1/chat/completions"
→ 完全本地运行，数据不出域，免费
LM Studio
base_url = "http://localhost:1234/v1/chat/completions"
→ 图形化的本地模型管理，选模型一键切
vLLM（高吞吐推理）
base_url = "http://your-server:8000/v1/chat/completions"
→ 大规模部署场景
LiteLLM（多供应商代理）
→ 一层代理接所有云模型（AWS Bedrock / Azure / Anthropic）
→ base_url 指向 LiteLLM 即可
OpenAI 官方
base_url = "https://api.openai.com/v1/chat/completions"
model = "gpt-5"
→ 最强但最贵，数据出域- 推荐：敏感文档用 Ollama 本地跑（gemma3 / qwen2.5 免费且私有）；追求质量用 GPT-5 / Claude
6、应用场景
// 适合用 ai-knowledge-graph 的场景
学术研究
输入：一篇论文 / 一组文献
→ 自动提取"方法-数据集-结论-引用关系"的知识图谱
→ 快速看清论文的核心脉络和实体关系
企业知识管理
输入：公司文档 / 技术规范 / 产品手册
→ 自动构建"产品-模块-依赖-团队"关系网
→ 新人入职看图谱比读文档快 10 倍
情报分析
输入：新闻报道 / 研报 / 行业资讯
→ 提取"公司-事件-人物-时间-因果"关系
→ 一张图看清行业格局
学习笔记
输入：课程笔记 / 教材章节
→ 把知识点连成图谱，发现知识间的联系
→ 类似 Obsidian Graph View，但是自动生成
法律 / 医疗
输入：法规条文 / 病历摘要
→ 提取"条款-适用-判决"或"症状-诊断-用药"关系
→ 注意：LLM 提取的准确性需人工审核7、与 GraphRAG / 传统知识图谱对比
方案 原理 交互方式 复杂度
---------------------------------------------------------------------------
ai-knowledge-graph LLM 提取 SPO 三元组 交互式 HTML 低（一行命令）
GraphRAG LLM 提取+社区检测+检索 RAG 查询 中高（需理解框架）
Neo4j 手工建图 人工定义 schema+录入 Cypher 查询 高（需图数据库）
Obsidian 双链 人工 [[]] 链接 Graph View 低但需手动链ai-knowledge-graph 的定位是"最轻量的自动化知识图谱"——不需要学 GraphRAG 的社区检测理论、不需要装 Neo4j 写 Cypher、不需要像 Obsidian 那样手动 [[ ]] 链接。给它一个文本文件，它吐出一个可视化图谱。牺牲了查询能力（不能像 Neo4j 那样做复杂图查询），换来了极致的易用性。如果你的需求只是"看一眼这堆文本里的关系长什么样"，它是最快的选择。
8、局限性与注意事项
- 提取质量依赖 LLM：弱模型（小参数）可能漏实体/错关系，建议用 7B 以上模型
- 实体标准化不是完美的：LLM 可能误判两个不同实体为同一个
- 输出是静态 HTML：不能做动态查询（不像 Neo4j 可以 Cypher 查），只能浏览
- 大文档 token 消耗：每个块都调一次 LLM，1000 词文档约 10 次调用
- 不做事实校验：LLM 提取的关系不一定正确，关键关系需人工审核
- 中文支持：取决于所选 LLM 的中文能力，推荐 Qwen2.5 / DeepSeek
9、总结
ai-knowledge-graph 是一个用 LLM 从非结构化文本自动生成知识图谱的开源工具。核心流程是文本切块 → LLM 提取 SPO 三元组 → 实体标准化 → 关系推理 → 交互式 HTML 可视化。支持任意 OpenAI 兼容 API（Ollama 本地优先），一行命令生成图谱，2.5k Star，Apache 2.0 许可。
关键要点：
- 定位：从非结构化文本自动生成交互式知识图谱，一行命令搞定
- 四阶段流水线：切块 → LLM 提取三元组 → 实体标准化 → 关系推理
- 兼容：Ollama / LM Studio / vLLM / LiteLLM / OpenAI，本地优先不绑供应商
- 输出：PyVis 渲染的交互式 HTML，浏览器打开即可拖拽/缩放/点击
- 局限：静态图谱（不能查询）、提取质量依赖 LLM、大文档 token 消耗大
对于需要快速理解大量文档"关系脉络"的人而言——无论是研究者读论文、分析师看研报、还是产品经理梳理需求——这个工具都是"最高性价比的知识可视化方案"。不需要学图数据库、不需要懂 GraphRAG、不需要手动标注，给它一个 txt 文件，几分钟后你就能在一个交互式图谱里看到"谁和谁有关系、什么导致了什么"。这就是"LLM + 知识图谱"民主化的样子——把以前需要专家才能做的事，变成一行命令。
参考资料：
robert-mcdermott/ai-knowledge-graph（GitHub 仓库，2.5k Star）
实现原理：From Unstructured Text to Interactive Knowledge Graphs（Medium）
